RapidMiner im akademischen Einsatz - Documentation - Rapid

2. Die Anwendungsfälle
tenen Prozesse in RapidMiner zu öffnen um ihre Funktionsweise nachzuvollziehen.
RapidMiner kann dazu unter http://www.rapidminer.com heruntergeladen
werden. Als Einstieg empfiehlt sich außerdem das RapidMiner Benutzerhandbuch
[3].
2.1 Evaluierung von Lernverfahren
Eine typische und wiederkehrende Aufgabe im Bereich des maschinellen Lernens
ist es, zwei oder mehr Lernverfahren miteinander zu vergleichen. Dies kann erfolgen,
um zu untersuchen, welche Verbesserungen sich durch neue Verfahren
erzielen lassen, kann aber auch einfach dazu dienen, für einen Anwendungsfall
ein geeignetes Verfahren auszuwählen. In diesem Abschnitt zeigen wir, wie dies
mit RapidMiner möglich ist.
2.1.1 Performance-Evaluation und Kreuzvalidierung
Die zahlreichen Operatoren, die maschinelle Lernverfahren auf Datensätze anwenden,
lassen sich einfach im Zusammenspiel mit anderen Operatoren nutzen. Typische
Beispiele von Operatoren, die bei der Evaluierung von Lernverfahren zum
Einsatz kommen, sind Kreuzvalidierung, Operatoren zur Berechnung von Standardgütemaßen,
Parameteroptimierungen und nicht zuletzt Logging-Operatoren,
um Profile der Leistung des Verfahrens zu erstellen. Da RapidMiner Schleifen
unterstützt, können auch Prozesse erstellt werden, die das neue Verfahren an
mehreren Datensätzen anwenden und mit anderen Verfahren vergleichen. Ein
Prozess, der eine solche Validierung des eigenen Verfahrens ermöglicht, befindet
sich im Beispielrepository.
Wenn man den Prozess 00.1 - Loop Datasets betrachtet, besteht er vor allem aus
drei Blöcken: Im ersten Block laden einige Operatoren eine Auswahl von Datensätzen,
die dann mit dem Collect-Operator zu einer Collection zusammengefasst
werden. Hier können natürlich beliebige eigene Datensätze geladen werden.
Im zweiten Block wird über die Datensätze iteriert: Dazu wird der innere Prozess
10